河流藻類葉綠素a濃度短時間尺度預測方法研究和應用.pdf

1、飲用水源地（地表水）的水體富營養(yǎng)化是影響水源地水質(zhì)的主要原因。國內(nèi)外針對水體富營養(yǎng)化研究多針對藻類“水華”進行預測。近年研究表明，藻類“水華”并非藻類生物量的短時爆發(fā)，而是藻體上浮和聚集的一種物理遷移過程，且在“水華”發(fā)生之前，水體藻類濃度已遠超過水質(zhì)管理標準?？梢姡c“罕見”的“水華”事件預測相比，短時連續(xù)預測對飲用水源地安全管理更具實用性。對此，本文提出了一種短時預測方法，實現(xiàn)對河流的藻類葉綠素a連續(xù)預測。其預測原理是:以短期藻類生

2、長相似與基于事例推理(Case-based Reasoning，簡稱CBR)方法的假設一致性為基礎，將按拉格朗日法劃分的流體單元作為藻體生長單元，根據(jù)CBR方法的四階段(“4R”)要求構建相似要素，包括:相似因子、相似系數(shù)、相似判據(jù)、相似誤差以及多元相似綜合指數(shù)。根據(jù)相似預測原理，在同期歷史數(shù)據(jù)中尋找與當前藻類生長相似的歷史時段，并將該歷史時段的延伸部分作為當前預測結果。本文依托于近期歷史數(shù)據(jù)，根據(jù)拉朗格日法構建了河流藻類葉綠素a單日1

3、2時預測機理模型，采用L-M率定方法確定最優(yōu)參數(shù)組合和率定時段，獲得最優(yōu)參數(shù)率定值，將該模型在預測時段內(nèi)的計算結果作為預測值。本文采用非線性系統(tǒng)混沌分析理論分析了時葉綠素a觀測序列，對主要混沌特征量，包括:嵌入維數(shù)、時間延遲、關聯(lián)維數(shù)以及最大Lyapunov指數(shù)進行了分析。采用C-C方法同時估計嵌入維數(shù)和時間延遲，采用G-P算法估計關聯(lián)維數(shù)，采用Rosenstein方法估計最大Lyapunov指數(shù)，并根據(jù)最大Lypunov指數(shù)對時間序列

4、的最大可預測時長進行估計。
　　根據(jù)相似預測原理分別對德國易北河5月1日至8月9日期間(2000、2001年)未來24～72小時的時葉綠素a濃度序列進行預測。在通過數(shù)據(jù)預處理和權重設置提高預測精度的基礎上，采用了葉綠素a濃度多閾值分段評價原則，進行了三日河流營養(yǎng)化等級時變化預測，準確率達85％。國內(nèi)外目前類似的研究僅采用葉綠素a日均濃度且以單閾值（“水華”預測）作為評判標準，其預測準確率約為83％，預測時長為2.5～3天。通過對比

5、表明該預測模型在營養(yǎng)化等級預估精度及實時性上均具有優(yōu)勢。
　　傳統(tǒng)生長機理模型采用的先驗參數(shù)無法反映藻類在時間和空間上生長異質(zhì)性的特點，因此，本文采用變量參數(shù)建模思想構建了河流藻類生長機理預測模型，并采用易北河2000年5月～8月間的時觀測序列進行了單日12時預測驗證。驗證結果表明，通過選擇合理的率定參數(shù)組合（率定最優(yōu)的5參數(shù)組合）和率定時段（7天），其預測效果要遠好于機理模型在先驗參數(shù)條件下的預測結果，在高精度預測方面（相對誤差

6、小于±10％）甚至優(yōu)于采用相似原理進行的連續(xù)預測結果。該方法為采用機理模型進行河流短期藻類預測提供了一種新的解決方案。
　　河流藻類生長的高度非線性和藻類數(shù)據(jù)的采樣稀疏使藻類實時預測難度增加，其可預測時長問題也鮮有研究報道。本文采用了混沌分析理論對易北河1997～2001年的3～9月的時葉綠素a觀測序列進行了分析。分析結果顯示河流藻類葉綠素a時間序列具有低維混沌特性，關聯(lián)維數(shù)D=2.75～4.02。采用同樣混沌分析方法證實了易北河

7、同時段的徑流量序列也具有混沌特征(λ1=0.0125)，該結論與國內(nèi)一些針對河流徑流量的研究結果相近。但目前針對河流藻類葉綠素a序列的混沌特性研究尚無相關報道。本文對藻類葉綠素a濃度和徑流量的最大預測時間進行了估計，各年的時葉綠素a序列的最長預測時間變化范圍為8.01～18.94天，平均為13.98天（約2周），與當前天氣預報的最長預報時長相當，而徑流量的最長預測時間估計約為80天。氣候因素的混沌特性對藻類生長表現(xiàn)出的混沌特征的影響可能